写了一个类，GeneticOptimizeStrategy，

Parameterlist 字典； 简化了调用参数和定义对应随机范围问题。只要在Parameterlist 中定义策略参数名称和对应的随机范围就可以，其中两个参数的元祖是两个之间随机数，调用random.uniform()，三个参数元祖是开始结束和中间步进,调用的是random.randrange(), 如果是数组就是在数组中间随机选择。 Symbollist 字典，维护回测品种和数据

poptoExcel方法，输出一个Excel，包括参数和value；参数可以直接调用。同时把相同项合并。效果如下图

源代码也可以去我的GitHub中

-------------------------------------------------------------------------------------------------------------

发现多线程时候有报错

cPickle.PicklingError: Cant pickle <type instancemethod>: attribute lookup  builtin

.instanceme

搜索一下，发现是python2.7多进程问题，pool.map没法绑定包在类里面方法。

把evaluate的方法放在类外面做成静态方法绑定，虽然解决了pickle，但是在多线程情况下，策略参数名字和值的对应经出出错。

就把参数赋值的方式也改了，从

[value1,value2,value3...]变成[{key1:value1},{key2,value2},{key3,value3}...]，这样。可以满足交叉，突变要求。生成随机DNA算法要改下。     def parameter_generate(self):                  根据设置的起始值，终止值和步进，随机生成待优化的策略参数                  parameter_list = []         for key, value in self.parameterlist.items():             if isinstance(value, tuple):                 if len(value) == 3:                     parameter_list.append({key:random.randrange(value[0], value[1], value[2])})                 elif len(value) == 2:                     parameter_list.append({key:random.uniform(value[0], value[1])})             elif isinstance(value, list):                 parameter_list.append({key:random.choice(value)})             else:                 parameter_list.append({key:value})         return parameter_list

parameter_list是类似vnpy optimize的格式，不过有所增强。 strategy_avg返回变成了[{key1:value1},{key2,value2},{key3,value3}...]，包含字典的list格式也可以满足交叉和突变方法。

在进化筛选方法object_func，使用下面遍历把[{key1:value1},{key2,value2},{key3,value3}...]变回{key1,value1,key2,value2...}，这样就可以进入回测

    setting = {}     for item in range(len(strategy_avg)):         setting.update(strategy_avg[item])

最后，因为进化筛选方法object_func放在类外面，但必须要把一些回测参数，比如品种，日期等的传入，这里有两种方式可以实现，一个是把传入individual list改为Tuple list，变成[(individual, parameterPackage)..]这样list，但是就要修改algorithms.eaMuPlusLambda，比较麻烦。

还有一个是增强individual, 加入这个回测参数集做为属性。但是多线程也有些要注意，不得不把parameterPackage做为静态属性放在类里面，不然回提示parameterPackage为空。还没有找到比较合适处理方法 creator.create("Individual", list, fitness=creator.FitnessMulti, parameterPackage=parameterPackage)

完整新代码如下

# encoding: UTF-8 """ 展示如何执行参数优化。 """ from __future__ import division from __future__ import print_function from vnpy.trader.app.ctaStrategy.ctaBacktesting import BacktestingEngine, MINUTE_DB_NAME, OptimizationSetting from vnpy.trader.app.ctaStrategy.strategy.strategyBollChannel import BollChannelStrategy import random import numpy as np from deap import creator, base, tools, algorithms import multiprocessing import time, datetime import pandas as pd def object_func(strategy_avgTuple):     """     本函数为优化目标函数，根据随机生成的策略参数，运行回测后自动返回2个结果指标：收益回撤比和夏普比率     """     strategy_avg = strategy_avgTuple     paraSet = strategy_avgTuple.parameterPackage     symbol = paraSet["symbol"]     strategy = paraSet["strategy"]     # 创建回测引擎对象     engine = BacktestingEngine()     # 设置回测使用的数据     engine.setBacktestingMode(engine.BAR_MODE)  # 设置引擎的回测模式为K线     engine.setDatabase("VnTrader_1Min_Db", symbol["vtSymbol"])  # 设置使用的历史数据库     engine.setStartDate(symbol["StartDate"])  # 设置回测用的数据起始日期     engine.setEndDate(symbol["EndDate"])  # 设置回测用的数据起始日期     # 配置回测引擎参数     engine.setSlippage(symbol["Slippage"])  # 1跳     engine.setRate(symbol["Rate"])  # 佣金大小     engine.setSize(symbol["Size"])  # 合约大小     engine.setPriceTick(symbol["Slippage"])  # 最小价格变动     engine.setCapital(symbol["Capital"])     setting = {}     for item in range(len(strategy_avg)):         setting.update(strategy_avg[item])     engine.clearBacktestingResult()     # 加载策略     engine.initStrategy(strategy, setting)     # 运行回测，返回指定的结果指标     engine.runBacktesting()  # 运行回测     # 逐日回测     # engine.calculateDailyResult()     backresult = engine.calculateBacktestingResult()     try:         capital = round(backresult[capital], 3)  # 收益回撤比         profitLossRatio = round(backresult[profitLossRatio], 3)  # 夏普比率                 #夏普比率         sharpeRatio = round(backresult[sharpeRatio], 3)     except Exception, e:         print("Error: %s, %s" %(str(Exception),str(e)))         sharpeRatio = 0         profitLossRatio = 0  # 收益回撤比         averageWinning = 0  # 夏普比率                 #夏普比率         capital = 0     return capital, sharpeRatio, profitLossRatio class GeneticOptimizeStrategy(object):     Strategy = BollChannelStrategy     Symbollist ={                     "vtSymbol": rb0000,                     "StartDate": "20140601",                     "EndDate": "20141101",                     "Slippage": 1,                     "Size": 10,                     "Rate": 2 / 10000.0,                     "Capital": 10000                     }     Parameterlist = {                     bollWindow: (10,50,1),       #布林带窗口                     bollDev: (2,10,1),        #布林带通道阈值                     slMultiplier:(3,6),                     barMins:[2,3,5,10,15,20],     }     parameterPackage = {     "symbol":Symbollist,     "strategy":Strategy     }     # ------------------------------------------------------------------------     def __init__(self, Strategy, Symbollist, Parameterlist):         self.strategy = Strategy         self.symbol = Symbollist         self.parameterlist = Parameterlist         self.parameterPackage = {             "strategy":self.strategy,             "symbol":self.symbol         }     creator.create("FitnessMulti", base.Fitness, weights=(1.0, 1.0, 1.0))  # 1.0 求最大值；-1.0 求最小值     creator.create("Individual", list, fitness=creator.FitnessMulti, parameterPackage=parameterPackage)     # ------------------------------------------------------------------------     def parameter_generate(self):                  根据设置的起始值，终止值和步进，随机生成待优化的策略参数                  parameter_list = []         for key, value in self.parameterlist.items():             if isinstance(value, tuple):                 if len(value) == 3:                     parameter_list.append({key:random.randrange(value[0], value[1], value[2])})                 elif len(value) == 2:                     parameter_list.append({key:random.uniform(value[0], value[1])})             elif isinstance(value, list):                 parameter_list.append({key:random.choice(value)})             else:                 parameter_list.append({key:value})         return parameter_list     def mutArrayGroup(self, individual, parameterlist, indpb):         size = len(individual)         paralist = parameterlist()         for i in xrange(size):             if random.random() < indpb:                 individual[i] = paralist[i]         return individual,     def optimize(self):         # 设置优化方向：最大化收益回撤比，最大化夏普比率         toolbox = base.Toolbox()  # Toolbox是deap库内置的工具箱，里面包含遗传算法中所用到的各种函数         pool = multiprocessing.Pool(processes=(multiprocessing.cpu_count()-1))         toolbox.register("map", pool.map)         # 初始化         toolbox.register("individual", tools.initIterate, creator.Individual,                          self.parameter_generate)  # 注册个体：随机生成的策略参数parameter_generate()         toolbox.register("population", tools.initRepeat, list,                          toolbox.individual)  # 注册种群：个体形成种群         toolbox.register("mate", tools.cxTwoPoint)  # 注册交叉：两点交叉         toolbox.register("mutate", self.mutArrayGroup, parameterlist=self.parameter_generate,                          indpb=0.6)  # 注册变异：随机生成一定区间内的整数         toolbox.register("evaluate", object_func)  # 注册评估：优化目标函数object_func()         toolbox.register("select", tools.selNSGA2)  # 注册选择:NSGA-II(带精英策略的非支配排序的遗传算法)         # 遗传算法参数设置         MU = 8  # 设置每一代选择的个体数         LAMBDA = 5  # 设置每一代产生的子女数         pop = toolbox.population(20)  # 设置族群里面的个体数量         CXPB, MUTPB, NGEN = 0.5, 0.3, 10 # 分别为种群内部个体的交叉概率、变异概率、产生种群代数         hof = tools.ParetoFront()  # 解的集合：帕累托前沿(非占优最优集)         # 解的集合的描述统计信息         # 集合内平均值，标准差，最小值，最大值可以体现集合的收敛程度         # 收敛程度低可以增加算法的迭代次数         stats = tools.Statistics(lambda ind: ind.fitness.values)         np.set_printoptions(suppress=True)  # 对numpy默认输出的科学计数法转换         stats.register("mean", np.mean, axis=0)  # 统计目标优化函数结果的平均值         stats.register("std", np.std, axis=0)  # 统计目标优化函数结果的标准差         stats.register("min", np.min, axis=0)  # 统计目标优化函数结果的最小值         stats.register("max", np.max, axis=0)  # 统计目标优化函数结果的最大值         # 运行算法         algorithms.eaMuPlusLambda(pop, toolbox, MU, LAMBDA, CXPB, MUTPB, NGEN, stats,                                   halloffame=hof, verbose=True)  # esMuPlusLambda是一种基于(μ+λ)选择策略的多目标优化分段遗传算法         return pop     def poptoExcel(self, pop, number = 1000, path = "C:/data/"):         #按照输入统计数据队列和路径，输出excel，这里不提供新增模式，如果想，可以改         #dft.to_csv(path,index=False,header=True, mode = a)         path = path +  self.strategy.className + "_" + self.symbol[ "vtSymbol"] + str(datetime.date.today())+ ".xls"         summayKey = ["StrategyParameter","TestValues"]         best_ind = tools.selBest(pop, number)         dft = pd.DataFrame(columns=summayKey)         for i in range(0,len(best_ind)-1):             if i == 0:                 # new = pd.DataFrame([{"StrategyParameter":self.complieString(best_ind[i])},{"TestValues":best_ind[i].fitness.values}], index=["0"])                 dft = dft.append([{"StrategyParameter":self.complieString(best_ind[i]),"TestValues":best_ind[i].fitness.values}], ignore_index=True)             elif str(best_ind[i-1]) == (str(best_ind[i])):                 pass             else:                 #new = pd.DataFrame({"StrategyParameter":self.complieString(best_ind[i]),"TestValues":best_ind[i].fitness.values}, index=["0"])                 dft = dft.append([{"StrategyParameter":self.complieString(best_ind[i]),"TestValues":best_ind[i].fitness.values}], ignore_index=True)         dft.to_excel(path,index=False,header=True)         print("回测统计结果输出到" + path)     def complieString(self,individual):         setting = {}         for item in range(len(individual)):             setting.update(individual[item])         return str(setting) if __name__ == "__main__":     Strategy = BollChannelStrategy     Symbollist ={                     "vtSymbol": rb0000,                     "StartDate": "20140601",                     "EndDate": "20141101",                     "Slippage": 1,                     "Size": 10,                     "Rate": 2 / 10000.0,                     "Capital": 10000                     }     Parameterlist = {                     bollWindow: (10,50,1),       #布林带窗口                     bollDev: (2,10,1),        #布林带通道阈值                     slMultiplier:(3,6),                     barMins:[2,3,5,10,15,20],     }     parameterPackage = {     "symbol":Symbollist,     "parameterlist":Parameterlist,     "strategy":Strategy     }     GE = GeneticOptimizeStrategy(Strategy,Symbollist,Parameterlist)     GE.poptoExcel(GE.optimize())     print("-- End of (successful) evolution --")

-------------------------------------------------------------------------------------------------------------

https://github.com/BillyZhangGuoping/MarketDataAnaylzerbyDataFrame/tree/master/GeneticOptimizeforVNPYStrategy